SharpICTCLAS分词系统简介(1)读取词典库

ICTCLAS分词的总体流程包括：1）初步分词；2）词性标注；3）人名、地名识别；4）重新分词；5）重新词性标注这五步。就第一步分词而言，又细分成：1）原子切分；2）找出原子之间所有可能的组词方案；3）N-最短路径中文词语粗分三步。
在所有内容中，词典库的读取是最基本的功能。ICTCLAS中词典存放在Data目录中，常用的词典包括coreDict.dct（词典库）、BigramDict.dct（词与词间的关联库）、nr.dct（人名库）、ns.dct（地名库）、tr.dct（翻译人名库），它们的文件格式是完全相同的，都使用CDictionary类进行解析。如果想深入了解ICTCLAS词典结构，可以参考sinboy的《ICTCLAS分词系统研究（二）--词典结构》一文，详细介绍了词典结构。我这里只给出SharpICTCLAS中的实现。
首先是对基本元素的定义。在SharpICTCLAS中，对原有命名进行了部分调整，使得更具有实际意义并适合C#的习惯。代码如下：


Copy Code
WordDictionaryElement.cs 程序
using System;
using System.Collections.Generic;
using System.Text;
namespace SharpICTCLAS
{
//==================================================
// Original predefined in DynamicArray.h file
//==================================================
public class ArrayChainItem
   {
public int col, row;//row and column
public double value;//The value of the array
public int nPOS;
public int nWordLen;
public string sWord;
//The possible POS of the word related to the segmentation graph
public ArrayChainItem next;
   }
public class WordResult
   {
//The word 
public string sWord;
//the POS of the word
public int nPOS;
//The -log(frequency/MAX)
public double dValue;
   }
//--------------------------------------------------
// data structure for word item
//--------------------------------------------------
public class WordItem
   {
public int nWordLen;
//The word 
public string sWord;
//the process or information handle of the word
public int nPOS;
//The count which it appear
public int nFrequency;
   }
//--------------------------------------------------
//data structure for dictionary index table item
//--------------------------------------------------
public class IndexTableItem
   {
//The count number of words which initial letter is sInit
public int nCount;
//The  head of word items
public WordItem[] WordItems;
   }
//--------------------------------------------------
//data structure for word item chain
//--------------------------------------------------
public class WordChain
   {
public WordItem data;
public WordChain next;
   }
//--------------------------------------------------
//data structure for dictionary index table item
//--------------------------------------------------
public class ModifyTableItem
   {
//The count number of words which initial letter is sInit
public int nCount;
//The number of deleted items in the index table
public int nDelete;
//The head of word items
public WordChain pWordItemHead;
   } 
}
其中ModifyTableItem用于组成ModifyTable，但在实际分词时，词库往往处于“只读”状态，因此用于修改词库的ModifyTable实际上起的作用并不大。因此在后面我将ModifyTable的代码暂时省略。
有了基本元素的定义后，就该定义“词典”类了。原有C++代码中所有类名均以大写的“C”打头，词典类名为CDictionary，在SharpICTCLAS中，我去掉了开头的“C”，并且为了防止和系统的Dictionary类重名，特起名为“WordDictionary”类。该类主要负责完成词典库的读、写以及检索操作。让我们看看如何读取词典库：


Copy Code
词典库的读取：
public class WordDictionary
{
public bool bReleased = true;
public IndexTableItem[] indexTable;
public ModifyTableItem[] modifyTable;
public bool Load(string sFilename)
   {
return Load(sFilename, false);
   }
public bool Load(string sFilename, bool bReset)
   {
int frequency, wordLength, pos;   //频率、词长、读取词性
bool isSuccess = true;
      FileStream fileStream = null;
      BinaryReader binReader = null;
try
      {
         fileStream = new FileStream(sFilename, FileMode.Open, FileAccess.Read);
if (fileStream == null)
return false;
         binReader = new BinaryReader(fileStream, Encoding.GetEncoding("gb2312"));
         indexTable = new IndexTableItem[Predefine.CC_NUM];
         bReleased = false;
for (int i = 0; i < Predefine.CC_NUM; i++)
         {
//读取以该汉字打头的词有多少个
            indexTable[i] = new IndexTableItem();
            indexTable[i].nCount = binReader.ReadInt32();
if (indexTable[i].nCount <= 0)
continue;
            indexTable[i].WordItems = new WordItem[indexTable[i].nCount];
for (int j = 0; j < indexTable[i].nCount; j++)
            {
               indexTable[i].WordItems[j] = new WordItem();
               frequency = binReader.ReadInt32();   //读取频率
               wordLength = binReader.ReadInt32();  //读取词长
               pos = binReader.ReadInt32();      //读取词性
if (wordLength > 0)
                  indexTable[i].WordItems[j].sWord = Utility.ByteArray2String(binReader.ReadBytes(wordLength));
else
                  indexTable[i].WordItems[j].sWord = "";
//Reset the frequency
if (bReset)
                  indexTable[i].WordItems[j].nFrequency = 0;
else
                  indexTable[i].WordItems[j].nFrequency = frequency;
               indexTable[i].WordItems[j].nWordLen = wordLength;
               indexTable[i].WordItems[j].nPOS = pos;
            }
         }
      }
catch (Exception e)
      {
         Console.WriteLine(e.Message);
         isSuccess = false;
      }
finally
      {
if (binReader != null)
            binReader.Close();
if (fileStream != null)
            fileStream.Close();
      }
return isSuccess;
   }   
//......
}
下面内容节选自词库中CCID为2、3、4、5的单元， CCID的取值范围自1～6768，对应6768个汉字，所有与该汉字可以组成的词均记录在相应的单元内。词库中记录的词是没有首汉字的（我用带括号的字补上了），其首汉字就是该单元对应的汉字。词库中记录了词的词长、频率、词性以及词。
另外特别需要注意的是在一个单元内，词是按照CCID大小排序的！这对我们后面的分析至关重要。


Copy Code
ICTCLAS词库部分内容
汉字:埃, ID ：2
  词长  频率  词性   词
    0   128    h   (埃)
    0     0    j   (埃)
    2     4    n   (埃)镑
    2    28    ns  (埃)镑
    4     4    n   (埃)菲尔
    2   511    ns  (埃)及
    4     4    ns  (埃)克森
    6     2    ns  (埃)拉特湾
    4     4    nr  (埃)里温
    6     2    nz  (埃)默鲁市
    2    27    n   (埃)塞
    8    64    ns  (埃)塞俄比亚
   22     2    ns  (埃)塞俄比亚联邦民主共和国
    4     3    ns  (埃)塞萨
    4     4    ns  (埃)舍德
    6     2    nr  (埃)斯特角
    4     2    ns  (埃)松省
    4     3    nr  (埃)特纳
    6     2    nz  (埃)因霍温
====================================
汉字:挨, ID ：3
  词长  频率  词性   词
    0    56    h   (挨)
    2     1    j   (挨)次
    2    19    n   (挨)打
    2     3    ns  (挨)冻
    2     1    n   (挨)斗
    2     9    ns  (挨)饿
    2     4    ns  (挨)个
    4     2    ns  (挨)个儿
    6    17    nr  (挨)家挨户
    2     1    nz  (挨)近
    2     0    n   (挨)骂
    6     1    ns  (挨)门挨户
    2     1    ns  (挨)批
    2     0    ns  (挨)整
    2    12    ns  (挨)着
    2     0    nr  (挨)揍
====================================
汉字:哎, ID ：4
  词长  频率  词性   词
    0    10    h   (哎)
    2     3    j   (哎)呀
    2     2    n   (哎)哟
====================================
汉字:唉, ID ：5
  词长  频率  词性   词
    0     9    h   (唉)
    6     4    j   (唉)声叹气
在这里还应当注意的是，一个词可能有多个词性，因此一个词可能在词典中出现多次，但词性不同。若想从词典中唯一定位一个词的话，必须同时指明词与词性。
另外在WordDictionary类中用到得比较多的就是词的检索，这由FindInOriginalTable方法实现。原ICTCLAS代码中该方法的实现结构比较复杂，同时考虑了多种检索需求，因此代码也相对复杂一些。在SharpICTCLAS中，我对该方法进行了重载，针对不同检索目的设计了不同的FindInOriginalTable方法，简化了程序接口和代码复杂度。其中一个FindInOriginalTable方法代码如下，实现了判断某一词性的一词是否存在功能。


Copy Code
FindInOriginalTable方法的一个重载版本
private bool FindInOriginalTable(int nInnerCode, string sWord, int nPOS)
{
   WordItem[] pItems = indexTable[nInnerCode].WordItems;
int nStart = 0, nEnd = indexTable[nInnerCode].nCount - 1;
int nMid = (nStart + nEnd) / 2, nCmpValue;
//Binary search
while (nStart <= nEnd)
   {
      nCmpValue = Utility.CCStringCompare(pItems[nMid].sWord, sWord);
if (nCmpValue == 0 && (pItems[nMid].nPOS == nPOS || nPOS == -1))
return true;//find it
else if (nCmpValue < 0 || (nCmpValue == 0 && pItems[nMid].nPOS < nPOS && nPOS != -1))
         nStart = nMid + 1;
else if (nCmpValue > 0 || (nCmpValue == 0 && pItems[nMid].nPOS > nPOS && nPOS != -1))
         nEnd = nMid - 1;
      nMid = (nStart + nEnd) / 2;
   }
return false;
}
其它功能在这里就不再介绍了。
小结
1、WordDictionary类实现了对字典的读取、写入、更改、检索等功能。
2、词典中记录了以6768个汉字打头的词、词性、出现频率的信息，具体结构需要了解。